Google DeepMind випустила Gemini Robotics 2.5 і повідомила про 96% успішності на пілоті Mercedes-Benz
Google DeepMind представила Gemini Robotics 2.5, модель «бачення, мова, дія» (VLA), яка перетворює зображення з камер і усні чи письмові інструкції на рухи роботів. Компанія стверджує, що гуманоїд із цією моделлю досяг 96% успішності під час пілотного проєкту на діючих виробничих лініях Mercedes-Benz.
DeepMind повідомляє, що оцінила модель на понад 200 завданнях, серед яких подача їжі щипцями та дозування рідин піпеткою. Порівняно з власними попередніми базовими показниками компанії, успішність виконання завдань зросла на 30–100% залежно від типу завдання, а час виконання скоротився на 20–30%. Ars Technica повідомила, що Apollo 2 від Apptronik з новою моделлю може також зав'язати бант. Для роботів це складне завдання, адже стрічка деформується.
Пілотний проєкт на виробничих лініях Mercedes-Benz
DeepMind працювала з Apptronik і Mercedes-Benz над тестом, який проходив у Кечкеметі (Угорщина) і Зіндельфінгені (Німеччина), як пише The Decoder. Apollo 2 виконував комплектування: брав металеві компоненти з навалених контейнерів і розкладав їх у лотки відповідно до послідовності, яку потребує кожен автомобіль на лінії. Модель Gemini Robotics ER наглядала за процесом, а Gemini Robotics 2.5 керувала кистями та руками.
Гендиректор Apptronik Джефф Карденас сказав, що після кількох тижнів додаткового донавчання моделі помітно покращилися і перенеслися на виробництво Mercedes майже без втрати продуктивності, за даними The Decoder. Ars Technica зазначила, що 96% імовірно ще не дотягують до потреб виробника, і процитувала директора DeepMind Канішку Рао: подолати решту розриву буде «важким шляхом».
Керівниця напряму DeepMind Robotics Керолайн Парада описала компроміс, з яким стикаються під час створення роботів загального призначення.
«Можна досягти дуже високої якості в окремому застосуванні ціною узагальнення. Або можна просто працювати над узагальненням і, може, не дійти до 99,9 у кожному застосуванні.»
Симуляція для навчальних даних
Навчальних даних для роботів менше, ніж тексту для чат-ботів. За даними обох публікацій, DeepMind використала мовну модель Gemini 4 Argon як рушій симуляції. Argon може згенерувати тисячі симульованих запусків з однієї реальної сцени з камери, створюючи цифровий двійник. Компанія поєднала це з демонстраціями в реальному світі, щоб робот краще адаптувався до нових сцен і об'єктів.
Ars Technica повідомила, що модель 2.5 досі працює на хмарних серверах, тож зростання точності та швидкості супроводжується затримками.
Тест безпеки
DeepMind стверджує, що модель використовує міркування в реальному часі, щоб уникати небезпеки: зупиняється або чекає, коли щось блокує її шлях. У тестах компанії частка безпечного виконання завдань зросла на 33% поблизу перешкод і на 43% поблизу людей.
DeepMind також опублікувала ASIMOV-Jailbreak на Hugging Face. Це відкритий тест із запитами, які маскують небезпечні прохання, щоб перевірити, чи можна змусити моделі роботів виконати небезпечні дії. Дані двох видань відрізняються щодо обсягу та результатів: Ars Technica наводить 1 500 запитів і рівень безпеки 98,8% з Argon проти 73,5% для Gemini Robotics ER 2. The Decoder — кілька сотень запитів і 99,5% проти 82%.
Gemini Robotics 2.5 не є загальнодоступною. Її передають партнерам з робототехніки: Ars Technica називає Agile Robots, Apptronik і Boston Dynamics, тоді як The Decoder — Agile, Apptronik і Mercedes-Benz.
